本研究旨在探讨四项职业团体运动比赛的计分动态，分析了得分节奏与得分平衡的共同模式，并利用生成游戏模型预测比赛结果以及驱动这些模式的机制。

Oct, 2013

本文提出一种基于贝叶斯统计框架的足球比赛中胜率预测模型，通过对比现有模型，构建了一个可信的、根据比赛时间变化的贝叶斯统计模型，通过对五大顶级联赛八个赛季的数据进行实证评价，表明该模型能够提供良好的结果预测，并能够提升球迷体验和评估关键比赛情况下的表现。

Jun, 2019

本研究提出了一种可从整体绩效与攻守两方面评估团队防守的方法，通过预测球员行为和所有球员和球位置数据来预测更频繁发生的球恢复和被进攻行为，并使用 45 场足球比赛数据检验了相关指数与实际比赛和整个赛季的团队表现之间的关系。与基于罕见事件或进球的现有分类器相比，本研究所提出的分类器可以更好地预测真实事件 (平均 F1 分数> 0.483)，同时与赛季的长期结果也有适度的相关性 (r = 0.397)。

Mar, 2021

本文提出了一个通过计算比赛结果与完美平衡比赛结果之间距离的系数来衡量体育赛事预测的难度，并通过收集和分析 198 个体育联赛中的所有比赛来衡量竞争力与各国和各项运动的竞争力。文章还提出了概率图模型来学习团队技能，并将技能分解为与团队特征相关的因素，并估计大约 36％的概率，预测出在 NBA 联赛中，劣势团队获胜，这部分解释了为什么复杂的特征模型很难战胜简单的模型。

Jun, 2017

本文分析了英国和美国五大体育联赛所有比赛的结果，通过总结季末的积分和比赛结果数据量化了团队间的平等性和比赛的可预测性，引入了一种新型的数学模型，其中，弱队通过确定的反败为胜概率获胜，我们能够将团队间的平等性与比赛的可预测性进行数量化，并借此估计出积分数据中的反败为胜频率。

Aug, 2006

该论文提出了一个新的多智能体轨迹预测模型，它通过交互式分层潜空间明确引入组内共识的概念，可以更好地捕捉群体层面和个体层面的互动，从而在两个多智能体场景中均实现了优异的性能表现。

Oct, 2022

本文提出了一种新颖的足球连续球队选择模型，通过对现实世界足球数据中学习到的球员特定信息建模，以模拟球员受伤和不可用性的随机过程。通过对球员受伤概率进行推理，利用蒙特卡洛树搜索 (Monte-Carlo Tree Search) 来选择在整个足球赛季中优化长期团队表现的比赛队伍。我们将我们的方法与 2018/19 英超联赛季的基准解决方案进行验证。我们的模型在减少一线队伤病方面达到了类似的赛季预期积分，并将在受伤球员上浪费的金钱减少了约 11%，从而证明了在现实世界的足球队中降低成本和改善球员福利的潜力。

Feb, 2024

利用图变分循环神经网络对足球比赛中球员的轨迹进行预测，并对球员在没有球的情况下对进球做出贡献的能力进行评估，结果显示提出的指标与球员的年薪相关性显著，表明该方法可以有效评估球员在没有球的情况下为队友创造进球机会的能力。

Jun, 2022

本文提出了多种模型，使用赛前个人数据和实时数据对多人电子竞技游戏 Dota 2 中比赛获胜队伍进行预测，其中包括逻辑回归，属性序列模型，以及它们的组合，实验表明，添加赛前和实时的特征信息可以将精度从 58.69% 提高至 71.49% 和 93.73%。

Dec, 2016

机器学习在足球比赛结果预测中已成为一种常见方法，本章讨论了该领域中可用的数据集、模型类型和特征以及评估模型性能的方法。研究发现，目前基于渐变提升树模型（如 CatBoost）和特定于足球比赛的评分（如 pi - 评分）的机器学习模型在只包含进球作为比赛特征的数据集上表现最佳，但需要更详细比较深度学习模型和随机森林在不同类型特征数据集上的性能。此外，可以进一步研究新的评分系统，其中包括球员和团队级别信息，并融合来自时空追踪和事件数据的附加信息。最后，需要提高比赛结果预测模型的可解释性，以使其对团队管理更有用。

Mar, 2024